Es gibt noch einen positiven Aspekt für $INTCB . Ich habe das ein paar Tage beobachtet und möchte es euch jetzt klar erklären.
Dieser Vorteil betrifft Muse. Muse hilft allen zu erkennen, dass die großflächige Verbreitung von Agenten nicht nur ein Geschäft mit GPUs ist, sondern auch mit CPUs. Man muss wissen: Agenten sind nicht wie KI. Heutige KI ist im Grunde so: Du stellst eine Frage, und sie antwortet.
Aber Agenten sind anders. Wenn du zum Beispiel Muse sagst: „Hilf mir, ein Flugticket zu buchen“, dann muss es selbst den Browser öffnen, suchen, Angebote vergleichen, sich einloggen, die Informationen ausfüllen, auf die Reaktion der Webseite warten und anhand der Ergebnisse die nächsten Schritte entscheiden. Dahinter geht es nicht nur um Modell-Inferenz. GPUs sind dafür da, „zu denken“. CPUs, Speicher, virtuelle Maschinen und das Netzwerk sorgen dafür, dass „ausgeführt“ wird. Und ein Agent ist nicht damit fertig, nachdem er einmal ausgeführt hat. Er kann zum Beispiel so laufen: Inferenz → Ausführen → Warten → Status auslesen → erneut Inferenz → erneut Ausführen – diese Wiederholung von Inferenz bis zur Ausführung.
Und in Zukunft könnte es sein, dass jeder seinen eigenen Agenten braucht. Sobald Agenten von dem „neuen Spielzeug“ von heute zu einem Werkzeug werden, das man im Alltag häufig nutzt, ist „Nadelöhr“-Ressource nicht mehr nur die GPU – dann braucht man genauso sehr viele CPUs.
Das ist der zweite bedeutende Vorteil, den ich in letzter Zeit für $INTCB als wichtig erachte.
Dieser Vorteil betrifft Muse. Muse hilft allen zu erkennen, dass die großflächige Verbreitung von Agenten nicht nur ein Geschäft mit GPUs ist, sondern auch mit CPUs. Man muss wissen: Agenten sind nicht wie KI. Heutige KI ist im Grunde so: Du stellst eine Frage, und sie antwortet.
Aber Agenten sind anders. Wenn du zum Beispiel Muse sagst: „Hilf mir, ein Flugticket zu buchen“, dann muss es selbst den Browser öffnen, suchen, Angebote vergleichen, sich einloggen, die Informationen ausfüllen, auf die Reaktion der Webseite warten und anhand der Ergebnisse die nächsten Schritte entscheiden. Dahinter geht es nicht nur um Modell-Inferenz. GPUs sind dafür da, „zu denken“. CPUs, Speicher, virtuelle Maschinen und das Netzwerk sorgen dafür, dass „ausgeführt“ wird. Und ein Agent ist nicht damit fertig, nachdem er einmal ausgeführt hat. Er kann zum Beispiel so laufen: Inferenz → Ausführen → Warten → Status auslesen → erneut Inferenz → erneut Ausführen – diese Wiederholung von Inferenz bis zur Ausführung.
Und in Zukunft könnte es sein, dass jeder seinen eigenen Agenten braucht. Sobald Agenten von dem „neuen Spielzeug“ von heute zu einem Werkzeug werden, das man im Alltag häufig nutzt, ist „Nadelöhr“-Ressource nicht mehr nur die GPU – dann braucht man genauso sehr viele CPUs.
Das ist der zweite bedeutende Vorteil, den ich in letzter Zeit für $INTCB als wichtig erachte.
